The Non-Optimality of Scientific Knowledge: Path Dependence, Lock-In, and The Local Minimum Trap

Cet article soutient que le corpus des connaissances scientifiques, façonné par la dépendance au sentier et les verrouillages cognitifs, formels et institutionnels, représente souvent un optimum local plutôt qu'une vérité globale, et propose des stratégies méta-scientifiques pour échapper à ce piège.

L'essentiel

🧠 Le Piège du "Petit Sommet" : Pourquoi la Science n'est peut-être pas au meilleur endroit

Imaginez que vous êtes un randonneur perdu dans un immense brouillard. Votre objectif est de trouver le point le plus bas de la vallée (le "meilleur" endroit, où l'air est le plus pur et la vue la plus claire). Vous avez une règle d'or : ne descendez que là où le sol penche le plus fort sous vos pieds.

C'est exactement ce que fait la science aujourd'hui.

L'auteur de cet article, Mohamed Mabrok, nous dit une chose surprenante : la science actuelle est probablement coincée dans une petite vallée locale, alors qu'il existe une vallée beaucoup plus profonde et plus belle quelque part ailleurs, mais nous ne la voyons pas.

Voici comment cela fonctionne, avec des images simples.

1. La Science comme une descente de colline (Le Gradient)

Imaginez le paysage des connaissances scientifiques comme une montagne remplie de creux, de vallées et de pics.

• La méthode actuelle : Les scientifiques agissent comme des randonneurs qui suivent la pente la plus raide. Ils prennent ce qu'ils savent déjà, améliorent un peu, résolvent le problème suivant le plus facile. C'est très efficace ! On avance vite.
• Le problème : Si vous suivez toujours la pente la plus raide, vous finissez inévitablement au fond de la première vallée que vous rencontrez. Vous vous arrêtez là, en pensant que c'est le fond du monde, alors qu'il y a peut-être une vallée encore plus profonde de l'autre côté d'une haute montagne.

En langage technique, on dit que la science est coincée dans un "minimum local" (un bon endroit, mais pas le meilleur endroit).

2. Pourquoi sommes-nous coincés ? (Les 4 Murs de la Prison)

Pourquoi ne sautons-nous pas simplement par-dessus la montagne pour aller voir ailleurs ? Parce que quatre types de "colle" nous empêchent de bouger :

• 🧠 La colle de notre cerveau (Lock-in Cognitif) : Notre cerveau humain est câblé pour aimer les histoires simples, les lignes droites et les images visuelles. Nous détestons le chaos et les formes bizarres. Nous avons donc construit la science pour qu'elle soit "jolie" et facile à visualiser, même si la réalité est peut-être beaucoup plus bizarre et complexe.

  • Exemple : On adore les équations qui décrivent des mouvements fluides et continus, même si l'univers est en fait fait de petits grains discrets (comme des pixels).

• 📚 La colle des outils (Lock-in Formel) : Nous utilisons les mêmes outils mathématiques depuis 300 ans (les équations de Newton). C'est comme si tous les menuisiers du monde utilisaient uniquement des marteaux. Si vous avez un clou, c'est parfait. Mais si vous devez visser quelque chose, vous allez vous faire mal et dire que "le bois est dur", alors qu'il vous faudrait juste un tournevis.

  • Exemple : En chimie, on imagine les atomes comme des boules collées par des "bâtons" (les liaisons). Mais en réalité, c'est un nuage d'électrons flou. On s'obstine à utiliser l'image des "bâtons" parce que c'est ce qu'on nous a appris, même si c'est une fiction pratique.

• 💰 La colle de l'argent et du prestige (Lock-in Institutionnel) : Pour obtenir de l'argent pour la recherche, il faut promettre des résultats rapides. Les banques et les universités disent : "On finance ce qui marche déjà". Personne ne veut payer un chercheur qui dit : "Je vais jeter tous nos livres et réinventer la physique à partir de zéro". C'est trop risqué.

  • Exemple : Un jeune chercheur qui propose une idée folle et nouvelle risque de ne jamais avoir de doctorat ni de financement. Il vaut mieux améliorer un peu la théorie existante.

• ⚔️ La colle de la guerre et du pouvoir (Lock-in Sociopolitique) : L'histoire a montré que la science avance souvent selon les besoins des guerres. Si une nation gagne une guerre grâce à une certaine technologie (comme l'aérodynamique des avions pendant la Seconde Guerre mondiale), elle impose sa méthode au monde entier. On oublie les autres méthodes qui auraient pu être meilleures, juste parce que la méthode "gagnante" a été imposée par la force.

3. Des exemples concrets de notre "mauvaise" carte

L'auteur donne plusieurs exemples où nous sommes probablement coincés :

• La météo et les fluides : On utilise des équations complexes pour prédire le vent et l'eau, mais on bute sur la "turbulence". Peut-être que le problème n'est pas que l'eau est difficile, mais que notre langage mathématique (les équations continues) est le mauvais outil pour décrire quelque chose de discret.
• La biologie : On pense que tout est dans les gènes (l'ADN). Mais en réalité, les bactéries dans notre ventre, les virus et la façon dont les gènes communiquent entre eux (réseaux) sont tout aussi importants. On regarde le "livre de recettes" (les gènes) et on oublie le "chef" et la "cuisine" (le système global).
• Les statistiques : On utilise une méthode (les tests de p-value) qui a été choisie il y a 100 ans parce qu'elle était facile à calculer à la main. Aujourd'hui, avec des ordinateurs puissants, nous pourrions utiliser des méthodes bien meilleures, mais on continue à utiliser l'ancienne parce que "c'est comme ça qu'on fait".

4. Comment s'échapper ? (Les clés de la sortie)

Si nous sommes coincés, comment sortir ? L'auteur propose des idées inspirées de l'intelligence artificielle et de l'histoire :

• 🕰️ La "Rétro-ingénierie" (Principled Regression) : Au lieu de courir vers l'avant, il faut parfois reculer. Regarder l'histoire pour voir quelles routes on a abandonnées il y a 50 ou 100 ans.

  • Exemple : Un chercheur nommé Taha a regardé des théories de l'aérodynamique du 19ème siècle que tout le monde avait oubliées. En les reprenant, il a trouvé des solutions que la science moderne n'arrivait pas à trouver. Il a pris le chemin de la fourche qu'on avait ignoré.

• 🤖 L'Intelligence Artificielle (IA) comme exploratrice : L'IA est intéressante car elle n'a pas de cerveau humain. Elle n'a pas de préjugés, pas de peur de perdre son emploi, et pas de besoin de faire joli.

  • Le paradoxe : L'IA apprend sur nos livres (qui sont coincés dans la mauvaise vallée). Comment peut-elle nous aider ?
  • La solution : L'IA peut lire tous les livres, y compris ceux qu'on a oubliés, et faire des liens que les humains ne voient pas. Elle peut dire : "Hé, cette vieille théorie mathématique de 1850 ressemble étrangement à ce problème de biologie d'aujourd'hui !" Elle peut simuler des mondes où la science a pris un autre chemin.

Conclusion : Ne désespérons pas, mais changeons de boussole

Ce papier ne dit pas que la science est nulle. Elle est formidable ! Elle nous a donné des vaccins, des smartphones et des fusées.

Mais il nous dit : Arrêtons de penser que nous avons fini. Nous sommes peut-être au sommet d'une petite colline, en pensant que c'est le Mont Everest, alors qu'il y a une chaîne de montagnes bien plus haute juste derrière.

Pour avancer, il faut avoir le courage de :

1. Remettre en question nos outils de base.
2. Financer des idées folles et risquées.
3. Utiliser l'IA non pas pour aller plus vite dans la même direction, mais pour nous aider à trouver de nouvelles directions.

La vérité n'est peut-être pas là où nous cherchons actuellement, mais dans les chemins que nous avons laissés derrière nous.

Résumé technique

1. Problématique

L'article remet en question l'hypothèse sous-jacente selon laquelle le corpus actuel des connaissances scientifiques représente l'état optimal de la compréhension humaine du monde naturel. L'auteur postule que la science, telle qu'elle est pratiquée historiquement, fonctionne comme un processus d'optimisation itératif (similaire à la descente de gradient en apprentissage automatique) qui converge vers des optima locaux plutôt que vers un optimum global.

Le problème central est que la trajectoire de la découverte scientifique est fortement contrainte par :

• La dépendance au chemin (path dependence) : les choix historiques initiaux verrouillent les voies futures.
• Le verrouillage (lock-in) : des mécanismes cognitifs, formels et institutionnels empêchent l'exploration de cadres théoriques potentiellement supérieurs mais plus difficiles d'accès.
• La non-optimalité : il existe probablement des formalismes, des notations et des paradigmes qui offrent un coût explicatif inférieur (meilleure prédictivité, moindre complexité computationnelle, plus grande clarté conceptuelle) que ceux que nous utilisons actuellement, mais qui restent inaccessibles par simple raffinement incrémental.

2. Méthodologie

L'auteur adopte une approche interdisciplinaire combinant la philosophie des sciences, l'histoire des sciences et la théorie de l'optimisation mathématique.

• Analogie formelle : La science est modélisée comme une fonction de coût $C(f)$ sur un paysage de possibilités de cadres théoriques ($F$). La science actuelle suit le gradient local ($\nabla_f C$) pour minimiser ce coût, ce qui conduit à la convergence vers un minimum local ($f_{now}$) plutôt que global ($f^*$).
• Analyse des paysages scientifiques : Utilisation du modèle NK de Kauffman pour décrire le paysage scientifique comme « accidenté » (rugged), caractérisé par une haute dimensionnalité, des interactions épistatiques (les choix dans un domaine contraignent les autres) et des bassins d'attraction larges.
• Études de cas transversales : L'argumentation est étayée par des analyses détaillées dans divers domaines (mathématiques, physique, chimie, biologie, neurosciences, statistiques) pour démontrer comment des problèmes persistants (ex: turbulence, repliement des protéines, conscience) pourraient être des artefacts de formalismes inadéquats plutôt que des complexités intrinsèques de la nature.
• Identification des mécanismes : Décomposition du verrouillage en quatre catégories : cognitif, formel, institutionnel et sociopolitique.

3. Contributions Clés

A. Identification des Quatre Mécanismes de Verrouillage

1. Verrouillage Cognitif : Les biais de l'architecture cognitive humaine (linéarisation, biais visuel/spatial, réductionnisme, narration causale) façonnent les théories de manière à privilégier ce qui est intuitivement accessible plutôt que ce qui est fondamentalement vrai.
2. Verrouillage Formel : L'infrastructure mathématique (monopole du calcul différentiel, inertie notationnelle, choix des fondements comme la théorie des ensembles) impose des contraintes structurelles qui rendent certaines descriptions de la nature « artificiellement » difficiles.
3. Verrouillage Institutionnel : Les systèmes de financement, d'évaluation par les pairs, de formation académique et de prestige récompensent l'incrémentalisme au sein des paradigmes existants et pénalisent les approches radicales.
4. Verrouillage Sociopolitique : Les guerres, les rivalités géopolitiques et le colonialisme ont canalisé la science vers des trajectoires dictées par des intérêts de puissance (ex: aérodynamique, projet Manhattan) plutôt que par l'optimalité épistémique.

B. Études de Cas de Non-Optimalité

L'article démontre la non-optimalité à travers plusieurs exemples :

• Physique des fluides : La difficulté de la turbulence pourrait provenir de l'usage de l'équation de Navier-Stokes (continuum) alors que des approches discrètes (automates cellulaires, méthode de Boltzmann sur réseau) ou variationnelles (principe de moindre courbure de Hertz) pourraient être plus naturelles.
• Chimie : Le paradigme de la « liaison chimique » est une fiction commode imposée sur la réalité de la densité électronique quantique. Des approches comme la QTAIM (Quantum Theory of Atoms in Molecules) offrent une description topologique plus fondamentale.
• Biologie : La vision centrée sur le gène (dogme central) néglige l'épigénétique, les réseaux de régulation et les holobiontes. Une approche systémique basée sur l'information pourrait être supérieure.
• Neurosciences : Le « dogme du neurone » ignore le rôle computationnel des cellules gliales et des champs électromagnétiques, limitant la compréhension du cerveau.
• Statistiques : La persistance du test d'hypothèse de nullité (NHST) et des valeurs-p, malgré les avantages supérieurs de l'inférence bayésienne et des critères d'information, illustre un verrouillage institutionnel massif.

C. Stratégies de Sortie des Optima Locaux

L'auteur propose des stratégies inspirées de l'optimisation en machine learning pour échapper à ces pièges :

• Recuit simulé (Simulated Annealing) : Financer délibérément des recherches à haut risque qui défient les paradigmes, même sans preuve immédiate de supériorité.
• Rétro-ingénierie des principes (Principled Regression) : Revenir aux « embranchements historiques » non pris. L'exemple majeur est le travail de Haithem Taha sur la portance aérodynamique, qui a redécouvert des principes variationnels du 19ème siècle (Hertz) ignorés par la théorie de Kutta, résolvant des problèmes que l'approche newtonienne ne pouvait pas traiter.
• Méthodes de population : Maintenir une diversité de programmes de recherche et éviter la monoculture méthodologique.
• Apprentissage par transfert : Pollinisation croisée entre disciplines pour importer des formalismes étrangers.

D. Le Paradoxe du Bootstrap et le Rôle de l'IA

L'article aborde le paradoxe selon lequel l'IA, entraînée sur les connaissances humaines actuelles (le minimum local), ne pourrait pas découvrir l'optimum global.

• Résolution du paradoxe : L'IA ne possède pas les biais cognitifs, les coûts de commutation institutionnels ou les préjugés sociopolitiques des humains. Elle peut identifier des connexions statistiques entre des formalismes abandonnés et des problèmes contemporains, ou explorer des structures formelles sans ancrage sémantique humain.
• Risque : Si l'IA est utilisée uniquement pour accélérer la science dans les paradigmes existants, elle agira comme un amplificateur de verrouillage.
• Proposition : Concevoir des IA spécifiquement pour l'exploration de paradigmes (générateurs de sciences contrefactuelles, détecteurs d'anomalies structurelles).

4. Résultats et Implications

• Révision de l'histoire des sciences : Les révolutions scientifiques (Kuhn) sont interprétées non pas comme des sauts aléatoires, mais comme des tentatives nécessaires mais souvent insuffisantes de franchir des barrières énergétiques dans un paysage d'optimisation.
• Contingence épistémologique : La science actuelle est hautement contingente. Une civilisation étrangère pourrait développer une science empiriquement équivalente mais formellement méconnaissable, ayant trouvé un minimum local différent.
• Critique du triomphalisme scientifique : La croyance que nos théories actuelles sont « presque finales » est erronée. Elles sont probablement des approximations locales efficaces, mais non optimales.

5. Signification

La signification de cet article réside dans son appel à une métascience proactive. Il suggère que les plus grandes avancées futures ne viendront pas nécessairement de la résolution de problèmes plus difficiles au sein des cadres actuels, mais de la découverte de nouveaux cadres qui rendent ces problèmes obsolètes ou plus simples.

L'auteur invite la communauté scientifique à :

1. Reconnaître les limites de ses propres outils cognitifs et formels.
2. Investir dans l'exploration de « routes non prises » (rétro-ingénierie historique).
3. Utiliser l'IA non pas comme un simple accélérateur de calcul, mais comme un explorateur de paysages conceptuels capable de briser les verrouillages cognitifs et institutionnels humains.

En somme, l'article propose un changement de paradigme dans la manière dont nous concevons la progression scientifique : passer d'une vision linéaire de l'accumulation du savoir à une vision topologique de l'exploration d'un paysage d'optima multiples, où la capacité à « sauter » hors des bassins d'attraction locaux est la compétence la plus critique.